数字化教练情报：使用 VLM 和 RAG 进行运动员整体分析的代理框架

运动员评估是跟踪身体进步和识别精英人才的关键过程。然而，在大规模招聘活动中，传统方法依赖于手动观察，这本质上是主观的且不可扩展的，或者基本的计算机视觉（CV）系统仅限于定量重复计数。这些标准方法缺乏评估定性生理标志（例如形态退化、脊柱关节和疲劳）所需的“教练智能”。本文提出了一种新颖的、基于 LLM 的混合代理框架，用于自动化、全面的运动员分析，该框架严格符合印度体育管理局 (SAI) 的评估协议。我们的双管道架构通过 LangGraph 进行编排，综合了用于运动跟踪的 CV (MediaPipe) 的几何精度与视觉语言模型 (Llama-4-scout) 的语义推理。为了克服与多模态视频处理相关的延迟和词元限制，我们引入了 3 X 3“智能网格”时间分块策略，将计算开销减少了 88% 以上，同时保持了关键的时间连续性。为了确保数据完整性并减轻幻觉，该框架开创了一个自主的“LLM-as-a-Judge”自我校正循环，该循环在持久化之前交叉引用定量和定性指标。最后，我们利用矢量搜索引擎（ChromaDB）实现双持久性检索增强生成（RAG）管道。这使得教练能够绕过严格的 SQL 数据库并使用自然语言执行复杂的语义查询（例如，“识别耐力高但核心刚性差的运动员”）。实验结果表明，这种多代理方法显着弥合了原始生物识别跟踪和可操作的指导见解之间的差距，为国家人才识别提供了可扩展的客观解决方案。